一种基于XGBoost的储层渗透率预测方法技术

本公开提供了一种模型训练方法及装置、页岩气田储层渗透率预测方法及装置。所述模型训练方法包括：从目标区块的多口井中划分出训练井和测试井；获取训练井和测试井中每口井对应的测井曲线数据，对每口井对应的测井曲线数据进行预处理，并作为特征参数；获取训练井和测试井中每口井对应的渗透率，作为目标参数；构建基于Boosting增量的XGBoost集成模型，采用训练井对应的特征参数和目标参数对XGBoost集成模型进行训练，并对构建的XGBoost集成模型进行验证、确定目标模型；采用测试井对应的特征参数和目标参数对目标模型进行评价，获得所需的渗透率预测模型。所述页岩气田储层渗透率预测方法能够准确、快速实现页岩气田储层的渗透率预测。透率预测。透率预测。

【技术实现步骤摘要】
一种基于XGBoost的储层渗透率预测方法


[0001]本公开涉及油田开发
，尤其涉及一种模型训练方法及装置、页岩气田储层渗透率预测方法及装置、计算机可读存储介质。

技术介绍

[0002]测井曲线对油气资源勘探开发十分重要，通过测井曲线可以获取储层参数，储层参数是描述储层特性、储层建模的基础，也是油气藏评价的重要环节，通过对储层进行物性参数分析，可以对油田现场的开发方案进行优化调整，因而在油气田勘探开发中占据着非常重要的位置。
[0003]储层渗透率表征了含油气储层运移能力，是储层产液性质以及产能评价的重要参数，是油气田开发的重要基础。传统求取岩石渗透率的方法有两种，第一种方法为依据经验公式计算渗透率，但这种方法具有区域限制性，无法推广；第二种方法为通过建立岩石物理模型预测渗透率，但岩石物理模型基于均质孔隙提出，不适合页岩储层。

技术实现思路

[0004]针对上述现有技术中所存在的问题，本公开的实施例提供一种模型训练方法及装置、页岩气田储层渗透率预测方法及装置、计算机可读存储介质，以有效预测页岩气藏的渗透率。
[0005]一方面，提供一种模型训练方法，模型训练方法包括S1～S5。
[0006]S1，从目标区块的多口井中划分出训练井和测试井；
[0007]S2，获取训练井和测试井中每口井对应的测井曲线数据，对每口井对应的测井曲线数据进行预处理，并作为特征参数；其中，每口井对应多条测井曲线；
[0008]S3，获取训练井和测试井中每口井对应的渗透率，作为目标参数；
[0009]S4，构建基于Boosting增量的XGBoost集成模型，采用训练井对应的特征参数和目标参数对XGBoost集成模型进行训练，获取每口训练井的测井曲线数据与渗透率之间的非线性映射关系，并对构建的XGBoost集成模型进行验证，根据预设的验证条件确定目标模型；
[0010]S5，采用测试井对应的特征参数和目标参数对目标模型进行评价，将评价结果符合预设评价条件的目标模型作为所需的渗透率预测模型。
[0011]在一些实施例中，步骤S2中，对每口井对应的测井曲线数据进行预处理，包括：
[0012]对于每口井对应的多条测井曲线中的每条测井曲线，依次进行以下数据预处理：
[0013]S21，去除测井曲线数据中的空值；
[0014]S22，采用拉依达算法标记测井曲线数据中的异常值，将标记位置的异常值数据重新赋值为该位置前后两个值的平均值；
[0015]S23，对测井曲线数据进行归一化处理。
[0016]在一些实施例中，步骤S4中，构建基于Boosting增量的XGBoost集成模型的过程
中，初始化XGBoost集成模型时，学习率设置为0.2，基树设置为5棵，最大树深设置为5，min_child_weight设置为2。
[0017]在一些实施例中，步骤S4中，对构建的XGBoost集成模型进行验证，根据预设的验证条件确定目标模型，包括：
[0018]采用均方根误差RMSE随训练次数的下降曲线作为学习曲线，
[0019][0020]其中，y
i
表示真实值，y
′
表示预测值，N为样本数量；
[0021]如果最后30次训练内RMSE的值波动幅度不超过0.05，则判定XGBoost集成模型收敛，将该XGBoost集成模型保存为目标模型；
[0022]否则，判定学习曲线无法收敛，并调整XGBoost集成模型的超参数，直到确定目标模型。
[0023]在一些实施例中，步骤S5中，采用测试井对应的特征参数和目标参数对目标模型进行评价，将评价结果符合预设评价条件的目标模型作为所需的渗透率预测模型，包括：
[0024]将测试井对应的特征参数输入目标模型中，获得目标模型预测的渗透率；
[0025]采用决定系数R2计算目标模型预测的渗透率与训练井对应的渗透率之间的误差；
[0026]如果R2值大于87％，则将目标模型作为所需的渗透率预测模型。
[0027]另一方面，提供一种模型训练装置，装置包括处理器和存储器，存储器中存储有适于处理器执行的计算机程序指令，计算机程序指令被处理器运行时执行上述任一实施例的模型训练方法中的步骤。
[0028]又一方面，提供一种计算机可读存储介质，存储介质中存储有计算机程序指令，当计算机程序指令由用户设备的处理器执行时，使得用户设备执行上述任一实施例的模型训练方法。
[0029]又一方面，提供一种页岩气田储层渗透率预测方法，方法包括：
[0030]S100，获取目标区块中待预测井对应的测井曲线数据，并对测井曲线数据进行预处理；其中，每口井对应多条测井曲线；
[0031]S200，将预处理后的测井曲线数据输入渗透率预测模型中，对待预测井对应的渗透率进行预测；
[0032]其中，渗透率预测模型通过上述任一实施例的模型训练方法获得。
[0033]又一方面，提供一种页岩气田储层渗透率预测装置，装置包括处理器和存储器，存储器中存储有适于处理器执行的计算机程序指令，计算机程序指令被处理器运行时执行上述任一实施例的页岩气田储层渗透率预测方法中的步骤。
[0034]又一方面，提供一种计算机可读存储介质，存储介质中存储有计算机程序指令，当计算机程序指令由用户设备的处理器执行时，使得用户设备执行上述任一实施例的页岩气田储层渗透率预测方法。
附图说明
[0035]附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本
说明书的一部分。
[0036]图1为根据一些实施例的一种模型训练方法的流程图；
[0037]图2为根据一些实施例的一种页岩气田储层渗透率预测方法的流程图。
具体实施方式
[0038]下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
[0039]需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
[0040]需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。
[0041]本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如电子设备、计算机等。
[0042]页岩气藏的地质非均质性强，而传统评价储层渗透率方法局限性太多，推广性较差。本公开针对页岩气田储层渗透率评价问题，提出一种模型训练方法，以及基于测井数据和XGBoost集成模型的储层渗透率预测方法。该方法可应用于复杂页岩气田的渗透率预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述模型训练方法包括：从目标区块的多口井中划分出训练井和测试井；获取所述训练井和所述测试井中每口井对应的测井曲线数据，对每口井对应的测井曲线数据进行预处理，并作为特征参数；其中，每口井对应多条测井曲线；获取所述训练井和所述测试井中每口井对应的渗透率，作为目标参数；构建基于Boosting增量的XGBoost集成模型，采用所述训练井对应的特征参数和目标参数对所述XGBoost集成模型进行训练，获取每口训练井的测井曲线数据与渗透率之间的非线性映射关系，并对构建的XGBoost集成模型进行验证，根据预设的验证条件确定目标模型；采用所述测试井对应的特征参数和目标参数对所述目标模型进行评价，将评价结果符合预设评价条件的目标模型作为所需的渗透率预测模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述对每口井对应的测井曲线数据进行预处理，包括：对于每口井对应的多条测井曲线中的每条测井曲线，依次进行以下数据预处理：去除所述测井曲线数据中的空值；采用拉依达算法标记所述测井曲线数据中的异常值，将标记位置的异常值数据重新赋值为该位置前后两个值的平均值；对所述测井曲线数据进行归一化处理。3.根据权利要求1所述的模型训练方法，其特征在于，构建基于Boosting增量的XGBoost集成模型的过程中，初始化所述XGBoost集成模型时，学习率设置为0.2，基树设置为5棵，最大树深设置为5，min_child_weight设置为2。4.根据权利要求1所述的模型训练方法，其特征在于，所述对构建的XGBoost集成模型进行验证，根据预设的验证条件确定目标模型，包括：采用均方根误差RMSE随训练次数的下降曲线作为学习曲线，其中，y
i
表示真实值，y
′
表示预测值，N为样本数量；如果最后30次训练内RMSE的值波动幅度不超过0.05，则判定所述XGBoost集成模型收敛，将该XGBoo...

【专利技术属性】
技术研发人员：岳明，宋田茹，朱维耀，宋洪庆，王鸣川，王九龙，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：